- ECCV可解释的非度量盒嵌入预测图像之间的视觉重叠
本文介绍了一种可解释的图像嵌入方法，通过对已知具有 3D 可视表面重叠的训练示例进行测量，从而学习场景特定的相似度，并通过简单且快速的方式减少了在不同比例下的查询图像匹配和几何验证中的搜索成本。
- ECCVSOLAR：用于图像检索的二阶损失与注意力
本研究探索了深度学习中的两个二阶组件，一个关注于空间信息以增强图像描述符表现，另一个则关注于二阶相似性损失用于图像检索，两者相结合在图像检索、匹配任务中取得了最先进的结果。
- ICCV注意力感知对年龄无关的视觉地点识别
本研究提出了一种跨域视觉地点识别任务，使用年龄不变的特征学习卷积神经网络和注意聚合模块实现跨域匹配不同领域中同一建筑物的图像，达到了 99% 的单域匹配和 20% 的跨域匹配的最佳成果。
- 基本矩阵估计中特征匹配算法评估
评估最近算法在图像匹配及极线几何评估中的表现，并利用它们设计出更实用的注册系统，扩大计算机视觉任务的应用，通过四个大型数据集的实验，提出了三种高质量的匹配系统和粗 - 细 RANSAC 评估器，具有潜在的应用前景。
- CVPRD2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述
本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集 - 基于卫星图像的地理定位
本文针对在地面视图图像查询给定地理参考卫星地图的定位问题提出了一种基于 CVM-Net 的 Markov 定位框架，通过更广泛的实验结果和分析，它扩展了我们早期关于 CVM-Net 的工作，并提出了一种 Markov 定位框架，该框架可以在 - MM稳健的紧凑二进制描述符特征融合进行补丁匹配
本文提出了一种卷积网络框架，用于学习二进制补丁描述符，其中像素域特征与从变换域提取的特征融合。实验证明，我们的特征融合方法在准确性、速度和复杂性方面优于多种最先进的方法。
- NIPSBinGAN：学习带有正则化 GAN 的紧凑二进制描述符
本文提出了一种新颖的正则化方法，其中利用判别器网络中间层发生的降维作用，并训练二元化的低维表示向量，模拟更高维先前层的分布，以此使模型能够学习辨别性和紧凑的图像片段 (图像描述符)。我们引入了两个损失项，旨在减少降维后的向量维度之间的相关性 - CVPR图像表示的内在维度
本文研究了图像表示的内在维度，提出了一种基于深度神经网络的非线性映射算法 DeepMDS，并通过图像匹配验证了其映射的正确性。实验结果表明，在 LFW、IJB-C 和 ImageNet-100 等基准数据集上，深度神经网络表示的内在维度显著 - 利用卷积神经网络广泛匹配图像补丁
本文提出了一种基于金字塔池化层的图像匹配算法，它可以高效地利用较大的窗口信息来生成匹配代价函数，并在 Middlebury 基准测试数据集上取得了接近最优表现。
- IJCAI通过循环神经网络实现图像匹配
本文提出一种新颖的循环神经网络（循环 RNN），通过递归地查看两个图像的特定 / 相关部分并在最终迭代中输出综合匹配分数，从而聚合两个输入图像的关系信息。在几个图像匹配基准测试中进行的大量实验证明了所提出方法的巨大潜力。
- ICCVSCNet：学习语义对应性
本文提出了 SCNet，一种基于卷积神经网络的语义对应的几何合理模型，利用区域提议实现匹配原语，并明确将几何一致性纳入其损失函数中，该方法在多项基准测试中均表现优异。
- ICCV从户外全景图中学习高动态范围
本研究提出了一种基于学习的逆色调映射方法，利用深度自动编码器从非线性、饱和、低动态范围全景图中回归出线性的高动态范围数据，以验证该方法在捕获户外环境映射和图像匹配等方面的实用性。
- Proposal Flow: 从物体提议中得出的语义对应
该研究提出一种名为 “proposal flow” 的新型语义流方法，使用对象提议建立可靠的对应关系，具有高重复性和几何一致性约束，并在多种情况下展现出明显的性能优势，适用于计算机视觉领域中的图像匹配。
- 利用主要集合进行大规模图像地理定位
文中阐述了一种新的方法，将地理定位作为局部图像特征的聚类问题来解决，采用突出主要特征的聚类方式结合多种参考图像动态选择最近邻居，最终得出较优的定位结果。
- 通过观看视频来学习图像匹配
本论文提出了一种基于无监督学习方法的计算机视觉问题图像匹配解决方案，通过训练卷积神经网络进行帧间插值并颠倒网络，提取相关性，能够应用于真实世界视频序列中自然包含的时间相关性，该方法的性能具有可比性。